我猜你期望的结果是0。但仔细观察,你会发现这个值非常接近0。在二进制系统(计算机)中进行数字除法时,通常会出现舍入误差。
让我们看一下你的例子并添加一个打印语句:
a = torch.tensor(np.random.randn(), requires_grad=True)
loss = 1/a
loss.backward()
print(a.grad, (-1/(a**2)))
print(a.grad - (-1/(a**2)))
因为您使用了随机输入,输出也是随机的。
(所以您不会得到完全相同的数字,但只需重复此实验,您就会得到类似的示例)
有时您将得到零作为结果。但这并不是您最初示例的情况。
tensor(-0.9074) tensor(-0.9074, grad_fn=<MulBackward>)
tensor(5.9605e-08, grad_fn=<ThSubBackward>)
尽管两者显示的数字相同,但它们在最后一位小数上有所不同。这就是为什么在减去两者时会得到非常小的差异。
作为计算机的一般问题,某些分数有许多或无限多个小数位,但您的计算机内存没有那么大,因此它们在某个点处被截断。
因此,您在此经历的实际上是缺乏精度。而精度取决于您使用的数值数据类型(即
torch.float32
或
torch.float64
)。
您也可以在此处查看更多信息:
https://en.wikipedia.org/wiki/Double-precision_floating-point_format
但这并不特定于PyTorch或其他任何语言,以下是一个Python示例:
print(29/100*100)
结果为:
28.999999999999996
编辑:
正如 @HOANG GIANG 指出的那样,将公式更改为 -(1/a)*(1/a) 效果很好,结果为零。
这可能是因为用于计算梯度的计算与此情况下的 -(1/a)*(1/a) 非常相似(或完全相同)。因此,它共享相同的舍入误差,因此差异为零。
因此,以下是比上面更适合的另一个示例。尽管 -(1/x)*(1/x) 在数学上等价于 -1/x^2,但在计算机上计算时,取决于 x 的值,两者并不总是相同的:
import numpy as np
print('e1 == e2','x value', '\t'*2, 'round-off error', sep='\t')
print('='*70)
for i in range(10):
x = np.random.randn()
e1 = -(1/x)*(1/x)
e2 = (-1/(x**2))
print(e1 == e2, x, e1-e2, sep='\t\t')
输出:
e1 == e2 x value round-off error
======================================================================
True 0.2934154339948173 0.0
True -1.2881863891014191 0.0
True 1.0463038021843876 0.0
True -0.3388766143622498 0.0
True -0.6915415747192347 0.0
False 1.3299049850551317 1.1102230246251565e-16
True -1.2392046539563553 0.0
False -0.42534236747121645 8.881784197001252e-16
True 1.407198823994324 0.0
False -0.21798652132356966 3.552713678800501e-15
尽管“舍入误差”似乎有点减少(我尝试了不同的随机值,很少有超过十个中有两个存在“舍入误差”),但仅计算1/x时就已经存在小差异:
import numpy as np
print('e1 == e2','x value', '\t'*2, 'round-off error', sep='\t')
print('='*70)
for i in range(10):
x = np.random.randn()
result = 1/x
reconstructed_x = 1/result
print(x == reconstructed_x, x, x-reconstructed_x, sep='\t\t')
输出:
e1 == e2 x value round-off error
======================================================================
False 0.9382823115235075 1.1102230246251565e-16
True -0.5081217386356917 0.0
True -0.04229436058156134 0.0
True 1.1121100294357302 0.0
False 0.4974618312372863 -5.551115123125783e-17
True -0.20409933212316553 0.0
True -0.6501652554924282 0.0
True -3.048057937738731 0.0
True 1.6236075700470816 0.0
True 0.4936926651641918 0.0